Stell dir vor, du hast ein Zahlenschloss mit zehn Ringen, jeder Ring hat zehn Ziffern. Es gibt zehn Milliarden mögliche Kombinationen. Ein Mensch bräuchte Jahre, um alle durchzuprobieren. Ein Computer schafft das in Minuten – reine Brute Force, rohe Gewalt. Aber was, wenn das Schloss nicht nur Zahlen, sondern auch Logik verlangt? Wenn du nicht einfach alle Kombinationen ausprobieren kannst, sondern erst verstehen musst, welche Kombinationen sinnvoll sind? Genau hier setzt das Konzept der Brute Intelligence an, von dem der Mathematikprofessor und Autor des Artikels spricht.
In den letzten Tagen sorgten zwei Vorfälle in der Mathematikwelt für Aufsehen. Der Fields-Medaillen-Gewinner Terence Tao bestätigte, dass ein KI-Modell namens Fable (von Anthropic) einen Gegenbeweis zur sogenannten Jacobi-Vermutung gefunden hat. Tao selbst kommentierte, das Beispiel sei „extrem unwahrscheinlich durch rohe Gewalt zu finden“. Er nutzte sogar ChatGPT, um die Ergebnisse weiterzuverfolgen. Parallel dazu schaffte ein anderer Mathematiker, Dmitry Rybin, mit ChatGPT etwas Ähnliches – aber auf völlig andere Weise.
Rybin ist ein talentierter Mathematiker, aber kein Superstar wie Tao. Sein Dialog mit der KI war einfach. Er begann mit der Aufforderung: „Du sollst einen Durchbruch schaffen.“ Dann, nach einigen Zwischenschritten, gab er nur noch knappe Anweisungen wie „Mach weiter“ und „Es reicht mit Teilergebnissen, finde ein vollständiges Gegenbeispiel“. Der gesamte Austausch bestand aus vier Nachrichten. Ein Fünfjähriger, der immer wieder „Warum?“ fragt, hätte das auch gekonnt. Die KI brauchte keine Fachexpertise, keine subtilen Hinweise – sie brauchte nur den Auftrag, besser zu werden.
Das ist der Kern der Brute Intelligence: Statt eines Affen, der auf einer Schreibmaschine unendlich viele zufällige Buchstaben tippt, hast du eine KI, die systematisch Hypothesen generiert, testet, verwirft und neue aufstellt. Sie denkt nicht wie ein Mensch, aber sie denkt schnell – sehr schnell. Und wenn sie schnell genug ist, verschwimmt die Grenze zwischen roher Gewalt und echter Intelligenz.
Der Mathematikprofessor Andrew Blumberg kommentierte gegenüber Mashable: „Das hat meine Erwartungen an KI nicht verändert. Genau das habe ich erwartet: Wenn es ein Gegenbeispiel gibt, das kompakt und leicht darstellbar ist, aber bisher niemand gefunden hat, weil die Suche mühsam ist, dann wird KI es finden.“ Mit anderen Worten: KI ist nicht unbedingt schlauer als heutige Mathematiker, aber sie ist schneller. Und wenn sie schnell genug ist, ist der Unterschied zwischen schneller und schlauer für die Praxis irrelevant.
Diese Entwicklung wirft eine grundlegende Frage auf: Sollten wir nicht mehr Probleme so umformen, dass sie zu „Mathe-Problemen“ werden? Statt zu versuchen, KI an unsere chaotischen, menschlichen Arbeitsweisen anzupassen, sollten wir die Daten und Prozesse so strukturieren, dass KI sie effizient verarbeiten kann. Das ist, als würde man statt einem Auto einen Geländewagen zu bauen, lieber die Straßen asphaltieren. Der Autor des Artikels bringt es auf den Punkt: „Unsere aktuellen KI-Modelle sind anständige Autos, aber wir haben nur wenige Straßen, die für sie gebaut wurden.“ Die Entstehung von KI-Agenten hängt davon ab, ob wir diese Straßen bauen – also die Probleme in eine Form gießen, die KI lösen kann.
Was bedeutet das konkret? In Bereichen wie Mathematik, Softwareentwicklung, Medikamentenforschung und Teilen der Finanzwelt gibt es bereits Probleme mit verifizierbaren Antworten. Ein KI-Agent kann tagelang rechnen, tausende Hypothesen durchspielen und immer weiter optimieren. Es ist keine Superintelligenz, sondern eine neue Form der Skalierung: Statt einem Wissenschaftler, der Jahre forscht, hast du eine Million virtuelle Wissenschaftler, die parallel arbeiten. Sie irren sich oft, aber sie korrigieren sich selbst – und sie geben nicht auf.
Doch natürlich hat dieser Ansatz Grenzen. Entdeckungen, die echte physische Experimente erfordern – etwa in der Chemie oder Astronomie – lassen sich nicht einfach in mathematische Modelle pressen. Entscheidungen, die menschliches Urteilsvermögen, Emotionen oder ethische Abwägungen brauchen, sind ebenfalls nicht geeignet. Aber alles, was in einer geschlossenen Box gedacht, getestet und verfeinert werden kann, wird bald von dieser Brute Intelligence übernommen werden – im Hintergrund eines Computers, während wir uns mit den wirklich menschlichen Aufgaben beschäftigen.
Die KI hat nicht nur ein dreißig Jahre altes Mathematikproblem gelöst, sie hat auch gezeigt, wie wenig wir sie manchmal führen müssen. Rybins Erfolg war nicht das Ergebnis genialer Intervention, sondern eines simplen Befehls: „Mach es besser.“ Das ist demütigend und befreiend zugleich. Demütigend, weil es unser menschliches Selbstverständnis als unersetzliche Problemlöser infrage stellt. Befreiend, weil es uns erlaubt, uns auf das Wesentliche zu konzentrieren: die Probleme zu erkennen, die sich in Mathematik übersetzen lassen, und dann die KI loszulassen.
In einer Welt, die zunehmend von Daten und Algorithmen durchdrungen ist, wird diese Fähigkeit zur Problemtransformation zur Schlüsselkompetenz. Nicht jeder muss KI programmieren können, aber jeder sollte verstehen, dass viele unserer täglichen Herausforderungen – von der Terminplanung bis zur Logistikoptimierung – im Kern mathematischer Natur sind. Und dass es heute zwei Wege gibt, etwas zu erreichen: Entweder du tust es selbst, oder du verwandelst es in ein Problem, das eine KI in deinem Auftrag löst. Die Brute Intelligence ist da, sie ist effektiv, und sie wartet nur darauf, dass wir die richtigen Fragen stellen.
Quelle: benn.substack.com
